Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Azure CLI ml extension v2 (current)En Azure Machine Learning-pipeline är ett arbetsflöde som automatiserar en fullständig maskininlärningsuppgift. Den standardiserar bästa praxis, stöder teamsamarbete och förbättrar effektiviteten.
Varför behövs Azure Machine Learning-pipelines?
- Standardiserar maskininlärningsåtgärder (MLOps) och stöder skalbart teamsamarbete
- Förbättrar träningseffektiviteten och minskar kostnaderna
En pipeline delar upp en maskininlärningsuppgift i steg. Varje steg är en hanterbar komponent som kan utvecklas och automatiseras separat. Azure Machine Learning hanterar beroenden mellan steg. Den här modulära metoden:
- Standardiserar MLOps och stöder teamsamarbete
- Förbättrar träningseffektiviteten och minskar kostnaderna
- Standardiserar maskininlärningsåtgärder (MLOps) och stöder skalbart teamsamarbete
- Förbättrar träningseffektiviteten och minskar kostnaderna
Standardisera MLOps-metoden och stödja skalbart teamsamarbete
MLOps automatiserar skapandet och distributionen av modeller. Pipelines förenklar den här processen genom att mappa varje steg till en specifik uppgift, så att team kan arbeta oberoende av varandra.
Ett projekt kan till exempel innehålla datainsamling, förberedelse, träning, utvärdering och distribution. Dataingenjörer, forskare och ML-ingenjörer ansvarar var och en för sina steg. Steg skapas bäst som komponenter och integreras sedan i ett enda arbetsflöde. Pipelines kan versionshanteras, automatiseras och standardiseras av DevOps-metoder.
Utbildningseffektivitet och kostnadsminskning
Pipelines förbättrar också effektiviteten och minskar kostnaderna. De återanvänder utdata från oförändrade steg och låter dig köra varje steg på den bästa beräkningsresursen för uppgiften.
Metodtips för att komma igång
Du kan skapa en pipeline på flera sätt, beroende på din startpunkt.
Om du är nybörjare på pipelines börjar du med att dela upp befintlig kod i steg, parametrisera indata och omsluta allt i en pipeline.
Om du vill skala använder du pipelinemallar för vanliga problem. Teams förgrenar en mall, arbetar med tilldelade steg och uppdaterar endast sin del efter behov.
Med återanvändbara pipelines och komponenter kan team snabbt skapa nya arbetsflöden genom att klona eller kombinera befintliga delar.
Du kan skapa pipelines med hjälp av användargränssnittetför CLI, Python SDK eller Designer.
Vilken Azure-pipelineteknik ska jag använda?
Azure tillhandahåller flera typer av pipelines i olika syften:
| Scenarium | Primär persona | Azure-erbjudande | OSS-erbjudande | Kanoniskt rör | Styrkor |
|---|---|---|---|---|---|
| Modellorkestrering (Maskininlärning) | Datavetare | Azure Machine Learning-pipelines | Kubeflow-pipelines | Data –> modell | Distribution, caching, kodbaserad, återanvändning |
| Dataorkestrering (dataförberedelse) | Datatekniker | Azure Data Factory-pipelines | Apache Airflow | Data –> data | Starkt typad rörelse, datacentrerade aktiviteter |
| Orkestrering av kod och appar (CI/CD) | Apputvecklare/ops | Azure-pipelines | Jenkins | Kod + modell –> App/Service | Mest öppet och flexibelt stöd för aktiviteter, godkännandeköer, faser med beslutspunkter |
Nästa steg
Azure Machine Learning-pipelines lägger till värde från början av utvecklingen.
- Definiera pipelines med Azure Machine Learning CLI v2
- Definiera pipelines med Azure Machine Learning SDK v2
- Definiera arbetsflöden med Designer
- Prova CLI v2-pipelineexempel
- Prova Python SDK v2-pipelineexempel
- Lär dig mer om SDK- och CLI v2-uttryck som kan användas i en pipeline.